Fair Wasserstein Coresets (FWC) —— 公平的Wasserstein核心集SZ04

论文结构化摘要：Fair Wasserstein Coresets (FWC) —— 公平的Wasserstein核心集

1. 核心研究问题 (PICO/T)

• P (问题/群体): 大规模数据集上，为下游机器学习任务生成小规模代表性样本（核心集/数据蒸馏）时，现有方法忽略了数据中固有的子群偏见。虽然已有一些公平聚类方法能在局部层面（如聚类内保持比例）产生公平代表点，但这些代表点对下游学习任务的公平性-效用权衡的影响尚不明确。

• I (干预/新方法): 提出 FWC ( Fair Wasserstein Coresets)，一种新型核心集方法，能够：

  1. 生成合成代表样本（而非从原始数据中选取）。
  2. 为每个样本分配权重，用于下游加权训练。
  3. 通过最小化加权合成样本分布与原始数据集分布之间的Wasserstein距离来保持分布相似性。
  4. 同时使用线性约束强制执行人口统计平等（Demographic Parity） 的实证版本。